你以为视觉模型是"按张收费"？错。它把每一张图换算成几百到几千个 token，然后按文本 token 的单价卖给你。更要命的是：在 Agent 多轮对话里，这张图每一轮都会被重新计费一次。今天这篇拆一个大多数中国开发者没注意、却在悄悄烧钱的隐形账单——多模态视觉计费的 token 黑箱。

说明：本文撰写时（2026-06-17）搜索配额恰好用尽，无法实时抓取最新报价。文中计费机制（分块、分辨率换算、缓存命中）属于厂商长期稳定规则，但具体单价请以官网为准，下文已标注参考时点与官方链接，建议你读完后去核一遍当前价。

一、信息差在哪：图片不是"一张"，是"一堆 token"

文本模型按 token 收费，大家都知道。但图片也是按 token 收费——这件事 90% 的人只在账单上看到数字，却不知道数字怎么算出来的。这就是认知差的核心：

这就解释了为什么很多人做"文档问答 / 图表 RAG / 截图助手"时，账单远超预期——他们以为自己在处理文本，其实每次都在为图片的像素分辨率买单。

二、黑箱拆解：一张图到底值多少 token

不同厂商的换算公式不一样，但思路一致：分辨率越高，token 越多。

1. OpenAI（GPT-4o 系列）：分块（tile）制

OpenAI 把图切成 512×512 的小块（tile），每块明码标价：

• 低细节模式（detail: low）：不管图多大，固定 85 token，相当于一张缩略图。
• 高细节模式（detail: high）：先把图缩到长边 ≤ 2048px、短边 ≤ 768px，再按 512×512 切块，每块 170 token，并固定有一个基础块。

举例：一张 1024×1024 高细节图，大约切成 9 块左右 ≈ 1500 token；一张 2048×2048 的高清截图，轻松冲到 3000+ token。而同一张图如果设成 detail: low，只要 85 token——差出近 20 倍。

参考价（请以官网为准）：GPT-4o 输入约 $2.5 / 1M token 量级，意味着 3000 token ≈ $0.0075/张。听起来不多？往下看复利效应。

官方说明：https://platform.openai.com/docs/guides/vision

2. Anthropic（Claude 视觉）：像素面积制

Claude 更直接，按像素面积换算：

tokens ≈ (宽 × 高) / 750

一张 1024×1024 图 ≈ 1400 token；一张 1568×1568（Claude 推荐上限附近）≈ 3280 token。它没有"低细节档"开关，所以分辨率是唯一杠杆——你喂多大，就按多大收费。

官方说明：https://docs.anthropic.com/en/docs/build-with-claude/vision

3. Google Gemini：按图计费

Gemini 对图片多采用"每张 X 美元"的报价方式（Flash 系列最便宜），但它内部同样按分辨率换算 token。Flash 的图像输入单价通常只有旗舰的 1/10 到 1/20，是做粗筛的性价比之王。

官方价目：https://ai.google.dev/pricing

一句话总结三家

flowchart TD
    A[用户上传一张图] --> B{任务需要看清细节吗?}
    B -- 否 / 只需大概 --> C[OpenAI: detail=low<br/>固定 85 token]
    B -- 是 --> D{分辨率超高吗?}
    D -- 是 --> E[下采样到 ≤1568 长边<br/>并裁剪 ROI]
    D -- 否 --> F[保持高细节]
    C --> G{这张图每轮都在重发吗?}
    E --> G
    F --> G
    G -- 是 --> H[开启 prompt caching<br/>缓存命中约 1~2.5 折]
    G -- 否 --> I[直接发送]
    H --> J{只是分类 / 抽字段?}
    I --> J
    J -- 是 --> K[路由到便宜视觉模型<br/>Gemini Flash / GLM / 4o-mini]
    J -- 否 / 需复杂推理 --> L[旗舰模型兜底]
    K --> M[最终账单砍 70~95%]
    L --> M

三、隐形暴利：为什么这张图能反复收钱

真正的大坑不是单价，是复利。三个机制叠加，让图片成本悄悄放大 10 倍以上：

机制一：多轮重发。 Agent 每一轮都要把上下文重传给模型。如果你把一张 2000 token 的图放在 system / 上下文里，跑了 20 轮对话，这张图就被计费 2000 × 20 = 40000 token——光这一张图就花掉一次完整长文的量。

机制二：默认高清。 很多 SDK 默认走 detail: high 或不限制分辨率。用户上传手机原图（4032×3024），不经缩放直接喂，一张图直接干到 3000~5000 token。你以为是"一张图"，账单按"一篇长文"算。

机制三：缓存未开。 OpenAI、Anthropic、Gemini 现在都支持图片 prompt caching——重复出现的图片，缓存命中后只按约 1 折（Anthropic 10%、OpenAI 50%） 计费。但这个开关默认不自动开，或需要你显式设置缓存策略，很多人根本没用上。

这三个机制叠在一起，就是"按图收费"变成"按图收复利"的全过程。一篇看似普通的图文 RAG demo，上线后账单爆炸，根因往往就在这里。

四、五招把视觉账单砍到一折以下

这一节是可直接照抄的操作清单。按 ROI 从高到低排：

招式 1：先问自己，这张图真的需要看清细节吗？

这是成本优化的第一性原理。很多任务——"这是猫还是狗""这段截图里有没有红色按钮""这页文档属于哪一类"——根本不需要高分辨率。

• OpenAI 直接设 "detail": "low"，一张图恒定 85 token。
• Claude / Gemini 把图下采样到 768px 长边以内，token 直接掉一个数量级。

实测建议：分类、有无判断、版式粗判 → 用低分辨率；OCR、读小字、看图表数值 → 才上高分辨率。

招式 2：裁剪 + 下采样到任务所需的最小尺寸

不要把整张 A4 文档拍进去，只裁出关心的区域（ROI）。例如：

• 只想读发票金额 → 先用便宜模型/规则定位金额框 → 裁剪 → 只发那一小块给旗舰模型。
• 一张 4032×3024 手机原图 → 缩到 1024×768 → token 从约 16000 掉到约 1000，砍 90%+。

这条对中国做"票据/证照/截图"类应用的开发者尤其值钱，因为用户上传的图普遍超大。

招式 3：开启 prompt caching，让重复图片只收一次钱

如果你的应用里同一张图会被多次引用（比如长文档问答、知识库里的图表），务必打开 prompt caching：

• Anthropic：把含图的上下文标为 cache_control，缓存命中后图像 token 按 10% 计费（5 分钟 / 1 小时 TTL）。
• OpenAI：自动缓存 ≥1024 token 的前缀，命中部分按 50% 计费；把稳定不变的图放在请求最前面才能命中。
• Gemini：cachedContent 同样支持图片，可显式预缓存。

效果：上一节那个"20 轮 × 2000 token = 40000 token"的例子，开缓存后大约变成 首轮 2000 + 后 19 轮 × 200 ≈ 5800 token，省 85%。这是 Agent 场景最猛的一招。

官方：https://platform.openai.com/docs/guides/prompt-caching ｜ https://docs.anthropic.com/en/docs/build-with-claude/prompt-caching

招式 4：视觉模型路由——便宜模型先筛，旗舰兜底

不是每张图都需要 GPT-4o / Claude Opus 级别的能力。经典的"模型路由"思路同样适用于视觉：

• 第一级：用 Gemini Flash / GPT-4o-mini / GLM-4.5V（智谱） 这类便宜或国产多模态模型，做分类、定位、字段抽取。单价通常是旗舰的 1/10 到 1/20。
• 第二级：只有当第一级置信度低、或任务复杂（需要推理、读密集小字）时，再升级到旗舰。

国产里 GLM-4.5V 这类开放视觉能力的模型，中文场景的票据/截图识别效果不差，且国内直连、免翻墙、按量计费，对中小团队是性价比组合拳。这条对国内开发者尤其关键——你不必为每张图都付旗舰美元价。

招式 5：能转文本就别发图（预处理降维）

最高级的省钱，是根本不让模型看图。对于结构稳定的图（发票、身份证、固定模板表单），先用 OCR（PaddleOCR、Tesseract、或更便宜的多模态小模型）把文字提取成纯文本，再交给 LLM 处理。文本的 token 成本是图片的 几十分之一，而且每次复用几乎零成本。

判断标准：如果这张图的"信息"基本就是上面的文字 → 走 OCR 转文本；如果信息是"视觉关系/版式/手绘" → 才必须发图。

五、信息差总结：你知道的 vs 别人不知道的

六、行动指南：今天就能做的 5 件事

1. 审计你的图：去后台统计平均上传分辨率。如果长边超过 1024，先在服务端统一缩放，立省一半。
2. 给分类任务降档：把所有"是/否、类别、有无"类调用改成 detail: low 或低分辨率，预计砍掉 60~80% 视觉 token。
3. 打开图片缓存：在 Agent / 长对话里，把稳定图片放进可缓存前缀并显式设缓存控制，跑一周看账单降幅。
4. 加一层便宜模型前置：用 GLM-4.5V 或 Gemini Flash 做首道分类与字段抽取，旗舰只在必要时介入。
5. 建一条 OCR 旁路：对票据/证照类，跑 OCR 转文本管线，把"看图"变成"读字"，彻底绕开视觉 token。

七、参考来源

• OpenAI Vision 计费说明：https://platform.openai.com/docs/guides/vision
• Anthropic 视觉 token 换算：https://docs.anthropic.com/en/docs/build-with-claude/vision
• OpenAI Prompt Caching：https://platform.openai.com/docs/guides/prompt-caching
• Anthropic Prompt Caching：https://docs.anthropic.com/en/docs/build-with-claude/prompt-caching
• Google Gemini 定价：https://ai.google.dev/pricing

再次提醒：文中单价为参考时点估算，请以各官网当前报价为准；分块 / 分辨率 / 缓存这三套机制本身长期稳定，是你制定省钱策略的可靠依据。

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。